Implementación de un sistema de visión artificial para el fortalecimiento del aseguramiento de calidad y liberación de piezas en procesos de inyección de plásticos
Implementation of a Computer Vision System to Enhance Quality Assurance and Product Release in Plastic Injection Molding Processes.
DOI:
https://doi.org/10.5281/zenodo.23129583Palabras clave:
visión artificial, aseguramiento de calidad, inyección de plásticos, inspección automatizada, manufactura inteligenteResumen
La industria de transformación de plásticos mediante procesos de moldeo por inyección enfrenta importantes desafíos asociados con el aseguramiento de calidad, particularmente en la detección temprana de defectos durante el proceso productivo. En numerosos entornos industriales, la inspección de piezas moldeadas continúa realizándose mediante evaluaciones visuales manuales ejecutadas por operadores, lo que introduce variabilidad asociada al criterio humano, fatiga visual, errores de clasificación y limitada repetibilidad en la liberación del producto. Esta situación incrementa la probabilidad de desperdicio de materia prima, reprocesos, tiempos muertos y liberación de piezas fuera de especificación, afectando la estabilidad del proceso y la competitividad industrial.
El presente trabajo propone la implementación de un sistema de visión artificial orientado al fortalecimiento del aseguramiento de calidad y liberación de piezas en procesos de inyección de plásticos, enfocado en la detección automatizada de defectos superficiales y dimensionales presentes en piezas moldeadas tipo contenedor plástico. La metodología desarrollada contempló el diagnóstico del sistema convencional de inspección, la identificación de defectos recurrentes, la selección de instrumentos de medición empleados en validación dimensional, la definición de variables críticas del proceso y el diseño conceptual de un sistema de inspección basado en captura y procesamiento digital de imágenes.
El sistema propuesto considera la integración de cámaras industriales, iluminación controlada y algoritmos de análisis de imágenes para la identificación de defectos como rebabas (flash), rechupes, deformaciones, defectos geométricos y variaciones dimensionales, permitiendo establecer criterios objetivos de aceptación y rechazo para la liberación del producto. Asimismo, se plantea una arquitectura tecnológica susceptible de integrarse a esquemas de manufactura inteligente e Industria 4.0, favoreciendo la trazabilidad y repetibilidad del proceso de inspección.
Los resultados obtenidos muestran que la incorporación de tecnologías de visión artificial representa una alternativa viable para disminuir la subjetividad asociada a la inspección visual manual, fortalecer la confiabilidad del sistema de aseguramiento de calidad y reducir riesgos asociados con la producción de piezas defectuosas. Se concluye que este tipo de sistemas constituye una base tecnológica para futuras estrategias de automatización industrial, control inteligente de calidad y mejora continua dentro de procesos de transformación de plásticos.
Citas
L. H. Sperling, Introduction to Physical Polymer Science, 4th ed. Hoboken, NJ, USA: Wiley, 2005.
M. Osswald and J. Hernández-Ortiz, Polymer Processing: Modeling and Simulation. Munich, Germany: Hanser Publishers, 2006.
S. Kalpakjian and S. Schmid, Manufacturing Engineering and Technology, 7th ed. Boston, MA, USA: Pearson, 2014.
D. V. Rosato and M. G. Rosato, Injection Molding Handbook, 3rd ed. Boston, MA, USA: Springer, 2000.
J. A. Brydson, Plastics Materials, 7th ed. Oxford, U.K.: Butterworth-Heinemann, 1999.
D. C. Montgomery, Introduction to Statistical Quality Control, 8th ed. Hoboken, NJ, USA: Wiley, 2019.
A. I. Isayev, Injection and Compression Molding Fundamentals. Boca Raton, FL, USA: CRC Press, 1987.
M. Attaran, “The rise of Industry 4.0 and the importance of advanced manufacturing technologies,” Journal of Innovation Management, vol. 8, no. 4, pp. 12–31, 2020.
R. Szeliski, Computer Vision: Algorithms and Applications, 2nd ed. London, U.K.: Springer, 2022.
S. Yin, X. Li, H. Gao, and O. Kaynak, “Data-based techniques focused on modern industry: An overview,” IEEE Transactions on Industrial Electronics, vol. 62, no. 1, pp. 657–667, Jan. 2015.
A. Kumar, “Computer-vision-based fabric defect detection: A survey,” IEEE Transactions on Industrial Electronics, vol. 55, no. 1, pp. 348–363, Jan. 2008.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, May 2015.
H. Wang, Y. Li, and X. Zhang, “Deep-learning-based surface defect detection for industrial applications: A review,” Applied Sciences, vol. 11, no. 14, p. 6378, 2021.
M. Javaid, A. Haleem, R. P. Singh, and R. Suman, “Industrial artificial intelligence for smarter manufacturing: A review,” Manufacturing Letters, vol. 27, pp. 11–16, 2021.
J. Ren, Y. Wang, and X. Zhao, “Automated visual inspection in manufacturing using deep learning and computer vision techniques,” Scientific Reports, vol. 14, no. 1, pp. 1–15, 2024.
Keyence IV Series Vision Sensor, Keyence Corp., Osaka, Japan, 2026. [Online]. Available: https://www.keyence.com/products/vision/vision-sensor/iv4/. [Accessed: May 30, 2026].
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Arturo Aguilar Pérez, Ricardo Vázquez Ortíz, José Daniel Castro Díaz, Blanca Gabriela Cuevas González, María de la Luz Delgadillo Torres, Wenceslao Cuauhtémoc Bonilla Blancas
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
